CN110427402A - 一种轨道交通故障延误传播及波及范围推估系统 - Google Patents
一种轨道交通故障延误传播及波及范围推估系统 Download PDFInfo
- Publication number
- CN110427402A CN110427402A CN201910671746.8A CN201910671746A CN110427402A CN 110427402 A CN110427402 A CN 110427402A CN 201910671746 A CN201910671746 A CN 201910671746A CN 110427402 A CN110427402 A CN 110427402A
- Authority
- CN
- China
- Prior art keywords
- station
- delay
- failure
- time
- passenger flow
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000003745 diagnosis Methods 0.000 claims abstract description 7
- 230000003111 delayed effect Effects 0.000 claims description 19
- 238000005303 weighing Methods 0.000 claims description 18
- 239000000523 sample Substances 0.000 claims description 13
- 230000000644 propagated effect Effects 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 7
- 230000001413 cellular effect Effects 0.000 description 6
- 238000000034 method Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000003542 behavioural effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011282 treatment Methods 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 239000010410 layer Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
- G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Databases & Information Systems (AREA)
- General Business, Economics & Management (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Fuzzy Systems (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明涉及一种轨道交通故障延误传播及波及范围推估系统,该系统包括:车站数据采集模块:采集车站动态画面及客流数据;故障诊断模块:根据车站动态画面确定故障类型;客流统计模块:根据采集的客流数据进行统筹分析确定实时客流量;延误推估模块:根据故障类型和实时客流量进行延误波及范围及延误时间的推估。与现有技术相比,本发明投入成本低、智能化程度高、时效性强。
Description
技术领域
本发明涉及一种轨道交通故障处理系统,尤其是涉及一种轨道交通故障延误传播及波及范围推估系统。
背景技术
城市轨道交通在城市发展和人民日常生活中起着举足轻重的作用,我国在大力建设和快速发展城市轨道交通的同时,其运营可靠性也越来越受到高度重视。但由于城市轨道交通在日常运营过程中会受到车站、线路、信号设备与旅客需求等多方面因素的影响,列车的运行会因为车辆故障、线路故障和乘客上下车等原因产生运行延误,这样的延误会造成乘客滞留时间过长,影响市民出行,给城市生产、生活带来不便。列车运行延误具有时间上与空间上的双重传播特征,一趟列车的延误可能会对其他列车的运行产生影响,形成连带延误。由于城市轨道交通线路配线简单、行车间隔小、客流量大等特点,延误的传播影响范围大、造成的能力损失严重,延误还有可能通过客流的传递引起相连线路上列车的延误,使整个网络的正常运营被打乱,对乘客造成严重的影响。
当前现有的技术研究主要集中在突发大客流或通勤大客流上,极少考虑突发事件下延误的波及范围,具有一定局限性。部分研究只着力于构建小世界网络模型模拟拥堵传播,未能充分考虑到轨道交通实际路网状况,精确度较低。一些研究调查简单地利用SIS病毒传染模型模拟拥堵传播,没有涉及到车站之间延误状态的交互作用,仅能模糊预测出延误车站数。而轨道交通运营企业积累了大量突发事件日志,需要充分挖掘数据背后的价值,建立精确的轨道交通网络拓扑模型,设计一种能够容纳不同事件类型的轨道交通延误持续时间及传播范围预测模型。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种轨道交通故障延误传播及波及范围推估系统。
本发明的目的可以通过以下技术方案来实现:
一种轨道交通故障延误传播及波及范围推估系统,该系统包括:
车站数据采集模块:采集车站动态画面及客流数据;
故障诊断模块:根据车站动态画面确定故障类型;
客流统计模块:根据采集的客流数据进行统筹分析确定实时客流量;
延误推估模块:根据故障类型和实时客流量进行延误波及范围及延误时间的推估。
所述的车站数据采集模块包括摄像头和Wi-Fi探针,所述的摄像头采集车站动态画面并根据车站动态画面确定第一客流数据Pvisual,所述的Wi-Fi探针获取车站内无线客户端的MAC地址并确定第二客流数据PWi-Fi。
所述的故障诊断模块确定故障类型的方式为:获取历史故障日志数据,将历史故障日志数据与车站动态画面进行比对确定故障类型。
所述的客流统计模块确定实时客流量的方式为:判断第一客流数据Pvisual和第二客流数据PWi-Fi差异值是否大于15%,若是对第一客流数据Pvisual和第二客流数据PWi-Fi进行加权平均获取实时客流量,否则对第一客流数据Pvisual和第二客流数据PWi-Fi取平均获取实时客流量。
该系统还包括拥堵预警模块,所述的拥堵预警模块根据实时客流量确定拥堵等级并进行报警。
延误推估模块进行延误波及范围及延误时间的推估的方式为:首先,根据故障车站状态确定当前时刻延误影响的车站数和延误消散的车站数,进而得到延误波及范围;其次,求取延误波及范围内的受影响的车站的延误时间。
延误影响的车站数通过下式获得:
其中,Nt为t时刻延误影响的车站数,Nt-1为t-1时刻延误影响的车站数,pj为在车站j上车的人数,qj为在车站j下车的人数,hl为列车运能,m为延误传播涉及的最大车站数,ki为故障车站i的度,kj为受影响的车站j的度,li,j为故障车站i和受影响的车站j之间故障发生线路的影响权重,wtime为故障发生时段影响权重。
延误消散的车站数通过下式获得:
其中,Lt为t时刻延误消散的车站数,Nt-1为t-1时刻延误影响的车站数,pj为在车站j上车的人数,qj为在车站j下车的人数,hl为列车运能,m为延误传播涉及的最大车站数,ki为故障车站i的度,kj为受影响的车站j的度,li,j为故障车站i和受影响的车站j之间故障发生线路的影响权重,wtime为故障发生时段影响权重。
受影响的车站的延误时间通过下式获得:
其中,Tj'为受影响的车站j的延误时间,Ti为故障日志中各类突发故障平均处理时间,wij表示故障车站i对受影响的车站j的延误影响时的作用权重,ki为故障车站i的度,kj为受影响的车站j的度,li,j为故障车站i和受影响的车站j之间故障发生线路的影响权重,wtime为故障发生时段影响权重。
与现有技术相比,本发明具有如下优点:
(1)本发明提供一种高效的故障类型界定方式以及推估故障下延误持续的时间及影响波及范围,及时给乘客提供参考信息,尽可能规避因故障带来的损失。
(2)本发明车站数据采集模块采用摄像头和Wi-Fi探针同时进行监控采集,从而保证客流统计模块统计的客流数据更加可靠,提高后续推估准确性。
(3)本发明投入成本低,由Wi-Fi探针、视频图像采集设备和Raspberry Pi等组成的R-box硬件部分易获取且成本低。
(4)本发明基于多源数据的客流重建技术,综合运用多元数据的挖掘,在突发故障下以极快的速度确定故障位置、故障源、故障发生时间,并准确定义故障类型,其次,通过在软件系统植入元胞自动机算法,推估故障延误时间及波及范围。
(5)本发明时效性强:通过设备硬件系统实时获取监控点的视频数据和监听无线客户端的MAC地址获取车站客流量,加权处理得出实时客流数据,云服务传输至软件系统迅速反馈出延误时间及波及范围,以最快的速度发布至各影响区域COCC层面。
附图说明
图1为本发明轨道交通故障延误传播及波及范围推估系统的技术线路图;
图2为本发明轨道交通故障延误传播及波及范围推估系统的硬件结构示意图;
图3为本发明客流统计模块确定实时客流量的流程框图;
图4为本发明实施例中延误波及范围的示意图;
图5为本发明实施例中轨道交通延误传播运行图。
图中,1为摄像头,2为Wi-Fi探针,3为蜂鸣器。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。注意,以下的实施方式的说明只是实质上的例示,本发明并不意在对其适用物或其用途进行限定,且本发明并不限定于以下的实施方式。
实施例
如图1、图2所示,一种轨道交通故障延误传播及波及范围推估系统,该系统包括:
车站数据采集模块:采集车站动态画面及客流数据;
故障诊断模块:根据车站动态画面确定故障类型;
客流统计模块:根据采集的客流数据进行统筹分析确定实时客流量;
延误推估模块:根据故障类型和实时客流量进行延误波及范围及延误时间的推估。
车站数据采集模块包括摄像头1和Wi-Fi探针2,所述的摄像头1采集车站动态画面并根据车站动态画面确定第一客流数据Pvisual,所述的Wi-Fi探针2获取车站内无线客户端的MAC地址并确定第二客流数据PWi-Fi。
故障诊断模块确定故障类型的方式为:获取历史故障日志数据,将历史故障日志数据与车站动态画面进行比对确定故障类型。
如图3所示,客流统计模块确定实时客流量的方式为:判断第一客流数据Pvisual和第二客流数据PWi-Fi差异值是否大于15%,若是对第一客流数据Pvisual和第二客流数据PWi-Fi进行加权平均获取实时客流量,否则对第一客流数据Pvisual和第二客流数据PWi-Fi取平均获取实时客流量。
该系统还包括拥堵预警模块,所述的拥堵预警模块根据实时客流量确定拥堵等级并进行报警,本实施例中采用蜂鸣器3进行报警,拥挤程度按国家设计标准,达5人/m2即为拥挤,达6人/m2即为过度拥挤。
延误推估模块进行延误波及范围及延误时间的推估的方式为:首先,根据故障车站状态确定当前时刻延误影响的车站数和延误消散的车站数,进而得到延误波及范围;其次,求取延误波及范围内的受影响的车站的延误时间。图4为该实施例延误波及范围的示意图,图5为本发明实施例中轨道交通延误传播运行图。
延误影响的车站数通过下式获得:
其中,Nt为t时刻延误影响的车站数,Nt-1为t-1时刻延误影响的车站数,pj为在车站j上车的人数,qj为在车站j下车的人数,hl为列车运能,m为延误传播涉及的最大车站数,ki为故障车站i的度,kj为受影响的车站j的度,li,j为故障车站i和受影响的车站j之间故障发生线路的影响权重,wtime为故障发生时段影响权重。
延误消散的车站数通过下式获得:
其中,Lt为t时刻延误消散的车站数,Nt-1为t-1时刻延误影响的车站数,pj为在车站j上车的人数,qj为在车站j下车的人数,hl为列车运能,m为延误传播涉及的最大车站数,ki为故障车站i的度,kj为受影响的车站j的度,li,j为故障车站i和受影响的车站j之间故障发生线路的影响权重,wtime为故障发生时段影响权重。
受影响的车站的延误时间通过下式获得:
其中,Tj'为受影响的车站j的延误时间,Ti为故障日志中各类突发故障平均处理时间,wij表示故障车站i对受影响的车站j的延误影响时的作用权重,ki为故障车站i的度,kj为受影响的车站j的度,li,j为故障车站i和受影响的车站j之间故障发生线路的影响权重,wtime为故障发生时段影响权重。
本发明系统由软、硬件两部分构成,硬件部分为Wi-Fi探针2、摄像头1视频图像采集和Raspberry Pi等组成的“R-box”;所述硬件部分用于采集客流数据,由Wi-Fi探针2和摄像头1采集,Wi-Fi探针2获取MAC地址采取到客流数据为PWi-Fi,摄像头1视频图像采集获取客流数据为Pvisual,然后就两种不同方式采集的客流数据PWi-Fi、Pvisual进行相应加权处理,使得突发故障下的基于车站位置的客流分布与实际的误差量尽可能小,进而获取实时客流数据,确定故障时段客流的全方面动态特征,为车站智能化管理提供可靠的数据支撑。软件部分包括故障定性模块延误推估模块。基于车站位置的客流量推估计算将为车站间的延误传播建模提供数据输入,进而可以推估延误对整个路网的定量影响。本发明提出一种利用Wi-Fi探针2采集技术,连接Raspberry Pi,并设置一个摄像头1用于采集视频数据,从而组合成一个整体硬件设备(R-box),R-box将采集手机的MAC地址数据和视频数据同时进行处理,实现局部拥堵点的监控,并将处理好的数据传输至云服务器进行数据的处理与分析,从点、线、面层面建立一套基于R-box的城市轨道车站客流监控及预警系统。为公共区域大客流运营安全风险管理提供了一种高覆盖范围、高布设灵活性、低投入成本、可长期连续监测的自动化客流采集新手段,同时根据轨道交通实际路网的静态指标,设计了一种新型的赋权网络拓扑结构,即定义城市轨道交通网络G=(V,E),其中V表示车站集合,V={vi|v1,v2,...,vn},n表示轨道交通路网中车站数目;E表示线路集合,E={eij|e12,e23,...,emn},i,j表示车站,分析突发事件下的客流特征,利用建立的轨道交通延误传播模型结合元胞自动机制定一种动态的延误传播规则模拟延误传播。
利用延误传播模型预测突发故障下延误传播的平均趋势,同时利用元胞自动机建模来刻画在延误状态下,车站间的相互影响机理。(元胞自动机是一种在时间、空间、状态维度上都离散,空间相互作用和时间因果关系为局部的网格动力学模型,具有模拟复杂系统时空演化过程的能力,与建立在轨道交通突发故障状态下延误传播研究较为吻合)。延误的传播以车站位置客流拥堵情况为核心表征,以定量反映车站受故障延误的影响度,本专利作如下假设:
(1)以车站作为元胞,路网作为元胞空间,区分上下行。
(2)以轨道交通实际发车间隔作为仿真时间步长,且t时刻的状态只对t+1时刻的状态产生影响。
(3)受突发故障延误影响车站数为限制因素,即受影响车站数必定小于车站总数。
通过车站当前状态及其相邻车站状态,可以确定该车站下一时刻的状态,用Sj(t)表示t时刻车站j的状态,则Sj(t+1)=f(Sj(t),αij(t),βij(t),wij(t))。根据建立的延误传播模型建立转移函数,当轨道交通某区间或车站发生突发故障,若车站j上车人数小于下车人数,则延误向相邻车站传播;反之,若车站j上车人数大于下车人数,则延误向相邻车站消散,将该影响机理模拟成下式所示的模型:
其中:
当S(t)∈[0,1]时,车站处于正常状态,当S(t)>1时,车站处于延误状态,∑tn表示车站i到车站j的行车时间。
综上,Nt用于确定故障发生后t时刻受延误影响的车站数,Lt用于确定延误车站在故障修复后客流消散的车站数,两者之间的时间即为整个故障发生期间的延误时间;Sj(t+1)用于确定延误波及后最远延误车站的通车与否情况,若未通车,则上述推估过程继续。
通过上述故障类型、客流拥堵检测、延误等级判定和对延误时间及波及范围的推估,全方位确定故障下延误的动态特征,设备中心从站、线、网三个层面将整合数据输送至各站COCC层面,为乘客出行提供下一步指导。具体地:车站层面,发布车站实时拥挤度,诱导乘客在站台候车分布;线路层面,基于断面列车实时满载率,发布列车拥挤和空余信息;网络层面,基于乘客定位的路径推荐和信息推送。
上述实施方式仅为例举,不表示对本发明范围的限定。这些实施方式还能以其它各种方式来实施,且能在不脱离本发明技术思想的范围内作各种省略、置换、变更。
Claims (9)
1.一种轨道交通故障延误传播及波及范围推估系统,其特征在于,该系统包括:
车站数据采集模块:采集车站动态画面及客流数据;
故障诊断模块:根据车站动态画面确定故障类型;
客流统计模块:根据采集的客流数据进行统筹分析确定实时客流量;
延误推估模块:根据故障类型和实时客流量进行延误波及范围及延误时间的推估。
2.根据权利要求1所述的一种轨道交通故障延误传播及波及范围推估系统,其特征在于,所述的车站数据采集模块包括摄像头和Wi-Fi探针,所述的摄像头采集车站动态画面并根据车站动态画面确定第一客流数据Pvisual,所述的Wi-Fi探针获取车站内无线客户端的MAC地址并确定第二客流数据PWi-Fi。
3.根据权利要求1所述的一种轨道交通故障延误传播及波及范围推估系统,其特征在于,所述的故障诊断模块确定故障类型的方式为:获取历史故障日志数据,将历史故障日志数据与车站动态画面进行比对确定故障类型。
4.根据权利要求2所述的一种轨道交通故障延误传播及波及范围推估系统,其特征在于,所述的客流统计模块确定实时客流量的方式为:判断第一客流数据Pvisual和第二客流数据PWi-Fi差异值是否大于15%,若是对第一客流数据Pvisual和第二客流数据PWi-Fi进行加权平均获取实时客流量,否则对第一客流数据Pvisual和第二客流数据PWi-Fi取平均获取实时客流量。
5.根据权利要求1所述的一种轨道交通故障延误传播及波及范围推估系统,其特征在于,该系统还包括拥堵预警模块,所述的拥堵预警模块根据实时客流量确定拥堵等级并进行报警。
6.根据权利要求1所述的一种轨道交通故障延误传播及波及范围推估系统,其特征在于,延误推估模块进行延误波及范围及延误时间的推估的方式为:首先,根据故障车站状态确定当前时刻延误影响的车站数和延误消散的车站数,进而得到延误波及范围;其次,求取延误波及范围内的受影响的车站的延误时间。
7.根据权利要求6所述的一种轨道交通故障延误传播及波及范围推估系统,其特征在于,延误影响的车站数通过下式获得:
其中,Nt为t时刻延误影响的车站数,Nt-1为t-1时刻延误影响的车站数,pj为在车站j上车的人数,qj为在车站j下车的人数,hl为列车运能,m为延误传播涉及的最大车站数,ki为故障车站i的度,kj为受影响的车站j的度,li,j为故障车站i和受影响的车站j之间故障发生线路的影响权重,wtime为故障发生时段影响权重。
8.根据权利要求6所述的一种轨道交通故障延误传播及波及范围推估系统,其特征在于,延误消散的车站数通过下式获得:
其中,Lt为t时刻延误消散的车站数,Nt-1为t-1时刻延误影响的车站数,pj为在车站j上车的人数,qj为在车站j下车的人数,hl为列车运能,m为延误传播涉及的最大车站数,ki为故障车站i的度,kj为受影响的车站j的度,li,j为故障车站i和受影响的车站j之间故障发生线路的影响权重,wtime为故障发生时段影响权重。
9.根据权利要求6所述的一种轨道交通故障延误传播及波及范围推估系统,其特征在于,受影响的车站的延误时间通过下式获得:
其中,Tj'为受影响的车站j的延误时间,Ti为故障日志中各类突发故障平均处理时间,wij表示故障车站i对受影响的车站j的延误影响时的作用权重,ki为故障车站i的度,kj为受影响的车站j的度,li,j为故障车站i和受影响的车站j之间故障发生线路的影响权重,wtime为故障发生时段影响权重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910671746.8A CN110427402B (zh) | 2019-07-24 | 2019-07-24 | 一种轨道交通故障延误传播及波及范围推估系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910671746.8A CN110427402B (zh) | 2019-07-24 | 2019-07-24 | 一种轨道交通故障延误传播及波及范围推估系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110427402A true CN110427402A (zh) | 2019-11-08 |
CN110427402B CN110427402B (zh) | 2021-10-08 |
Family
ID=68412116
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910671746.8A Active CN110427402B (zh) | 2019-07-24 | 2019-07-24 | 一种轨道交通故障延误传播及波及范围推估系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110427402B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117540933A (zh) * | 2024-01-04 | 2024-02-09 | 南京城驿城市与交通规划设计有限公司 | 一种考虑主要出行方向的轨道车站影响区划分方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104636513A (zh) * | 2013-11-08 | 2015-05-20 | 广州市地下铁道总公司 | 一种城市轨道交通列车安全关键系统的识别方法 |
CN106335524A (zh) * | 2016-09-08 | 2017-01-18 | 北京交通大学 | 一种突发场景下城市轨道交通小交路运行调整方法 |
CN106741016A (zh) * | 2016-12-19 | 2017-05-31 | 同济大学 | 铁路客运站站内中转换乘系统及其设置方法 |
CN107273999A (zh) * | 2017-04-27 | 2017-10-20 | 北京交通大学 | 一种突发事件下城市轨道交通客流预测方法 |
CN107766983A (zh) * | 2017-10-27 | 2018-03-06 | 东南大学 | 一种城市轨道交通车站应急救援驻车点的设置方法 |
CN107958316A (zh) * | 2018-01-17 | 2018-04-24 | 深圳技术大学(筹) | 一种轨道交通线路的列车停站优化方法及系统 |
CN108717583A (zh) * | 2018-05-11 | 2018-10-30 | 东南大学 | 一种城市轨道交通区间中断条件下车站滞留旅客量实时预测方法 |
CN108846514A (zh) * | 2018-06-07 | 2018-11-20 | 同济大学 | 一种突发事件下轨道交通客流疏散需求预测方法 |
CN109447306A (zh) * | 2018-08-13 | 2019-03-08 | 上海海事大学 | 基于最大似然回归树的地铁事故延误时间预测方法 |
CN109767075A (zh) * | 2018-12-17 | 2019-05-17 | 同济大学 | 一种城市轨道交通网络列车运营可靠性评估方法 |
-
2019
- 2019-07-24 CN CN201910671746.8A patent/CN110427402B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104636513A (zh) * | 2013-11-08 | 2015-05-20 | 广州市地下铁道总公司 | 一种城市轨道交通列车安全关键系统的识别方法 |
CN106335524A (zh) * | 2016-09-08 | 2017-01-18 | 北京交通大学 | 一种突发场景下城市轨道交通小交路运行调整方法 |
CN106741016A (zh) * | 2016-12-19 | 2017-05-31 | 同济大学 | 铁路客运站站内中转换乘系统及其设置方法 |
CN107273999A (zh) * | 2017-04-27 | 2017-10-20 | 北京交通大学 | 一种突发事件下城市轨道交通客流预测方法 |
CN107766983A (zh) * | 2017-10-27 | 2018-03-06 | 东南大学 | 一种城市轨道交通车站应急救援驻车点的设置方法 |
CN107958316A (zh) * | 2018-01-17 | 2018-04-24 | 深圳技术大学(筹) | 一种轨道交通线路的列车停站优化方法及系统 |
CN108717583A (zh) * | 2018-05-11 | 2018-10-30 | 东南大学 | 一种城市轨道交通区间中断条件下车站滞留旅客量实时预测方法 |
CN108846514A (zh) * | 2018-06-07 | 2018-11-20 | 同济大学 | 一种突发事件下轨道交通客流疏散需求预测方法 |
CN109447306A (zh) * | 2018-08-13 | 2019-03-08 | 上海海事大学 | 基于最大似然回归树的地铁事故延误时间预测方法 |
CN109767075A (zh) * | 2018-12-17 | 2019-05-17 | 同济大学 | 一种城市轨道交通网络列车运营可靠性评估方法 |
Non-Patent Citations (2)
Title |
---|
XIAOBING DING 等: "The passenger flow status identification based on image and WiFi detection for urban rail transit stations", 《JOURNAL OF VISUAL COMMUNICATION AND IMAGE REPRESENTATION》 * |
洪玲 等: "城市轨道交通网络突发事件影响客流量的计算", 《同济大学学报(自然科学版)》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117540933A (zh) * | 2024-01-04 | 2024-02-09 | 南京城驿城市与交通规划设计有限公司 | 一种考虑主要出行方向的轨道车站影响区划分方法及系统 |
CN117540933B (zh) * | 2024-01-04 | 2024-04-05 | 南京城驿城市与交通规划设计有限公司 | 一种考虑主要出行方向的轨道车站影响区划分方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110427402B (zh) | 2021-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lu | Modeling network resilience of rail transit under operational incidents | |
CN107194497B (zh) | 一种突发事件下城市轨道交通乘客出行路径规划方法 | |
WO2019137312A1 (zh) | 轨道交通弱电一体化系统 | |
CN103500503B (zh) | 一种基于众包模式的精准路况分析方法及系统 | |
CN104269051A (zh) | 一种高速公路监控管理系统 | |
CN106600969A (zh) | 一种智慧化道路综合防控方法及系统 | |
Zhang et al. | A double-weighted vulnerability assessment model for metrorail transit networks and its application in Shanghai metro | |
CN109979197B (zh) | 基于融合数据的高速公路交通时间地图构建方法、系统 | |
Arbabi et al. | Monitoring free flow traffic using vehicular networks | |
Ozbay et al. | Incident management simulation | |
CN211044514U (zh) | 一种基于5g车联网数据挖掘的智能路况监测系统 | |
CN104021668A (zh) | 一种公共交通供需状态检测与预测系统及方法 | |
CN109215168A (zh) | 一种基于云计算的公路事故追踪方法 | |
CN105070043A (zh) | 智能公交站系统 | |
CN104464356B (zh) | 一种出租车司机行车安全防范方法 | |
CN110428625A (zh) | 一种智慧交通大数据采集预警系统 | |
CN107067643A (zh) | 景区游客数量超负荷广播系统 | |
CN108682155A (zh) | 通过高德路况预警提前预防消除交通事故的系统设计方法 | |
CN102324018A (zh) | 综合客运枢纽集散服务网络行人安全状态识别方法及系统 | |
Arbabi et al. | Using DTMon to monitor transient flow traffic | |
CN201725430U (zh) | 一种交通运输综合信息处理装置 | |
Aboudina et al. | Evaluation of bus bridging scenarios for railway service disruption management: a users’ delay modelling tool | |
Li et al. | Modelling cascade dynamics of passenger flow congestion in urban rail transit network induced by train delay | |
CN110427402A (zh) | 一种轨道交通故障延误传播及波及范围推估系统 | |
KR101112191B1 (ko) | 에이전트 기반 실시간 통행시간 산정장치 및 그 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |